Autoagrupamiento auto-supervisado para la identificación de enfermedades en hojas
Autores: Monowar, Muhammad Mostafa; Hamid, Md. Abdul; Kateb, Faris A.; Ohi, Abu Quwsar; Mridha, M. F.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Autoagrupamiento auto-supervisado para la identificación de enfermedades en hojas
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Enfermedades de plantas
Visión por computadora
Imágenes de hojas
Sistema de agrupamiento auto-supervisado
Red neuronal convolucional profunda
Clasificación de enfermedades
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Las enfermedades de las plantas han sido uno de los escenarios más amenazantes para los agricultores. Aunque la mayoría de las enfermedades de las plantas pueden identificarse observando las hojas, a menudo se requiere la experiencia humana. Los recientes avances en visión por computadora han llevado a la introducción de sistemas de clasificación de enfermedades mediante la observación de imágenes de hojas. Sin embargo, la mayoría de los sistemas de clasificación de enfermedades son específicos para enfermedades y plantas, lo que limita la usabilidad del método. Los métodos también son costosos ya que requieren una gran cantidad de datos etiquetados, lo que solo puede hacerse por expertos. Este documento presenta un sistema de agrupación de enfermedades de hojas auto-supervisado que puede utilizarse para clasificar enfermedades de plantas. Dado que la auto-supervisión no requiere datos etiquetados, el método propuesto puede ser económico y puede implementarse para la mayoría de los tipos de plantas. El método implementa una red neuronal convolucional profunda siamesa (DCNN) para generar incrustaciones clusterizables a partir de imágenes de hojas. La estrategia de entrenamiento de la red de incrustaciones se lleva a cabo utilizando el enfoque AutoEmbedder con pares de imágenes aumentadas aleatoriamente. El entrenamiento del modelo de incrustaciones auto-supervisado implica tres escenarios diferentes de vinculación de pares de datos: pares de enlace, pares de no enlace y pares de posible enlace. Las incrustaciones se agrupan además utilizando el algoritmo k-means en la etapa final de clasificación. El experimento se lleva a cabo para clasificar individualmente enfermedades de ocho hojas de frutas diferentes. Los resultados indican que el método propuesto de identificación de enfermedades de hojas funciona mejor que los sistemas de agrupación auto-supervisados existentes. El documento indica que las redes siamesas de extremo a extremo pueden superar a los métodos auto-supervisados entrenados secuencialmente bien diseñados.
Descripción
Las enfermedades de las plantas han sido uno de los escenarios más amenazantes para los agricultores. Aunque la mayoría de las enfermedades de las plantas pueden identificarse observando las hojas, a menudo se requiere la experiencia humana. Los recientes avances en visión por computadora han llevado a la introducción de sistemas de clasificación de enfermedades mediante la observación de imágenes de hojas. Sin embargo, la mayoría de los sistemas de clasificación de enfermedades son específicos para enfermedades y plantas, lo que limita la usabilidad del método. Los métodos también son costosos ya que requieren una gran cantidad de datos etiquetados, lo que solo puede hacerse por expertos. Este documento presenta un sistema de agrupación de enfermedades de hojas auto-supervisado que puede utilizarse para clasificar enfermedades de plantas. Dado que la auto-supervisión no requiere datos etiquetados, el método propuesto puede ser económico y puede implementarse para la mayoría de los tipos de plantas. El método implementa una red neuronal convolucional profunda siamesa (DCNN) para generar incrustaciones clusterizables a partir de imágenes de hojas. La estrategia de entrenamiento de la red de incrustaciones se lleva a cabo utilizando el enfoque AutoEmbedder con pares de imágenes aumentadas aleatoriamente. El entrenamiento del modelo de incrustaciones auto-supervisado implica tres escenarios diferentes de vinculación de pares de datos: pares de enlace, pares de no enlace y pares de posible enlace. Las incrustaciones se agrupan además utilizando el algoritmo k-means en la etapa final de clasificación. El experimento se lleva a cabo para clasificar individualmente enfermedades de ocho hojas de frutas diferentes. Los resultados indican que el método propuesto de identificación de enfermedades de hojas funciona mejor que los sistemas de agrupación auto-supervisados existentes. El documento indica que las redes siamesas de extremo a extremo pueden superar a los métodos auto-supervisados entrenados secuencialmente bien diseñados.